論文の概要: Event-Driven Source Traffic Prediction in Machine-Type Communications
Using LSTM Networks
- arxiv url: http://arxiv.org/abs/2101.04365v1
- Date: Tue, 12 Jan 2021 09:31:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-04 01:31:06.337906
- Title: Event-Driven Source Traffic Prediction in Machine-Type Communications
Using LSTM Networks
- Title(参考訳): LSTMネットワークを用いた機械型通信におけるイベント駆動ソーストラヒック予測
- Authors: Thulitha Senevirathna, Bathiya Thennakoon, Tharindu Sankalpa, Chatura
Seneviratne, Samad Ali and Nandana Rajatheva
- Abstract要約: イベント駆動ソーストラフィック予測のためのLong Short-Term Memory (LSTM)ベースのディープラーニングアプローチを提案する。
我々のモデルは、既存のベースラインソリューションよりも、リソースの節約と精度を約9%で上回ります。
- 参考スコア(独自算出の注目度): 5.995091801910689
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Source traffic prediction is one of the main challenges of enabling
predictive resource allocation in machine type communications (MTC). In this
paper, a Long Short-Term Memory (LSTM) based deep learning approach is proposed
for event-driven source traffic prediction. The source traffic prediction
problem can be formulated as a sequence generation task where the main focus is
predicting the transmission states of machine-type devices (MTDs) based on
their past transmission data. This is done by restructuring the transmission
data in a way that the LSTM network can identify the causal relationship
between the devices. Knowledge of such a causal relationship can enable
event-driven traffic prediction. The performance of the proposed approach is
studied using data regarding events from MTDs with different ranges of entropy.
Our model outperforms existing baseline solutions in saving resources and
accuracy with a margin of around 9%. Reduction in Random Access (RA) requests
by our model is also analyzed to demonstrate the low amount of signaling
required as a result of our proposed LSTM based source traffic prediction
approach.
- Abstract(参考訳): ソーストラフィック予測は、機械型通信(MTC)における予測リソース割り当てを可能にする主な課題の1つである。
本稿では,イベント駆動ソーストラフィック予測のための長期短期記憶(lstm)ベースのディープラーニング手法を提案する。
ソーストラフィック予測問題は、過去の送信データに基づいて、機械型装置(MTD)の送信状態を主焦点とするシーケンス生成タスクとして定式化することができる。
これは、LSTMネットワークがデバイス間の因果関係を識別できるように、送信データを再構成することで実現される。
このような因果関係の知識は、イベント駆動のトラフィック予測を可能にする。
提案手法の性能は、異なるエントロピー範囲のmddによる事象に関するデータを用いて検討した。
我々のモデルは、既存のベースラインソリューションよりも、リソースの節約と精度を約9%で上回ります。
また,我々のモデルによるランダムアクセス (RA) 要求の低減について解析し,LSTMに基づくソーストラフィック予測手法の結果として必要な信号量が少ないことを示す。
関連論文リスト
- Strada-LLM: Graph LLM for traffic prediction [62.2015839597764]
交通予測における大きな課題は、非常に異なる交通条件によって引き起こされる多様なデータ分散を扱うことである。
近位交通情報を考慮した交通予測のためのグラフ対応LLMを提案する。
我々は、新しいデータ分散に直面する際に、ドメイン適応を効率的にするための軽量なアプローチを採用する。
論文 参考訳(メタデータ) (2024-10-28T09:19:29Z) - Computation Pre-Offloading for MEC-Enabled Vehicular Networks via Trajectory Prediction [38.493882483362135]
本稿では,車両の過去の軌跡を解析するためのトラジェクトリ予測に基づく事前負荷決定アルゴリズムを提案する。
本稿では,Double Deep Q-Network (DDQN) を用いて,エッジサーバがタスク処理遅延を最小限に抑える動的リソース割り当てアルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-09-26T09:46:43Z) - xMTrans: Temporal Attentive Cross-Modality Fusion Transformer for Long-Term Traffic Prediction [3.08580339590996]
本稿では,長期交通予測,すなわちxMTransに対する時間的注意型クロスモーダルトランスモデルを提案する。
我々は,実世界のデータセットを用いて,交通渋滞とタクシー需要予測に関する提案モデルを評価する実験を行った。
論文 参考訳(メタデータ) (2024-05-08T06:29:26Z) - BjTT: A Large-scale Multimodal Dataset for Traffic Prediction [49.93028461584377]
従来の交通予測手法は、交通トレンドを予測するために、過去の交通データに依存している。
本研究では,交通システムを記述するテキストと生成モデルを組み合わせることで,交通生成にどのように応用できるかを考察する。
本稿では,テキスト・トラフィック生成のための最初の拡散モデルChatTrafficを提案する。
論文 参考訳(メタデータ) (2024-03-08T04:19:56Z) - Guaranteed Dynamic Scheduling of Ultra-Reliable Low-Latency Traffic via
Conformal Prediction [72.59079526765487]
アップリンクにおける超信頼性・低遅延トラフィック(URLLC)の動的スケジューリングは、既存のサービスの効率を大幅に向上させることができる。
主な課題は、URLLCパケット生成のプロセスにおける不確実性である。
本稿では,URLLC トラフィック予測器の品質に関わらず,信頼性と遅延を保証した新しい URLLC パケットスケジューラを提案する。
論文 参考訳(メタデータ) (2023-02-15T14:09:55Z) - Time-to-Green predictions for fully-actuated signal control systems with
supervised learning [56.66331540599836]
本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。
我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。
スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
論文 参考訳(メタデータ) (2022-08-24T07:50:43Z) - Learning spatiotemporal features from incomplete data for traffic flow
prediction using hybrid deep neural networks [0.28675177318965034]
本研究では,カリフォルニア・フリーウェイ・パフォーマンス・計測システム(PeMS)のトラフィックフローを,欠落した値で予測するハイブリッドディープニューラルネットワークに焦点を当てた。
RNNとCNNをベースとして,並列接続と並列接続の異なるアーキテクチャ構成が検討されている。
PeMSから得られた2つの異なるデータセットを総合的に分析した結果,平均計算手法を用いたシリーズ並列ハイブリッドネットワークは,交通流の予測において最も低い誤差を達成できることがわかった。
論文 参考訳(メタデータ) (2022-04-21T15:57:08Z) - AI-aided Traffic Control Scheme for M2M Communications in the Internet
of Vehicles [61.21359293642559]
交通のダイナミクスと異なるIoVアプリケーションの異種要求は、既存のほとんどの研究では考慮されていない。
本稿では,ハイブリッド交通制御方式とPPO法を併用して検討する。
論文 参考訳(メタデータ) (2022-03-05T10:54:05Z) - Online Metro Origin-Destination Prediction via Heterogeneous Information
Aggregation [99.54200992904721]
我々は、ODとDOの進化パターンを共同で学習するために、HIAM(Heterogeneous Information Aggregation Machine)と呼ばれるニューラルネットワークモジュールを提案する。
ODモデリングブランチは、未完成な順序の潜在的な目的地を明示的に推定し、不完全OD行列の情報を補完する。
DOモデリングブランチは、DO行列を入力として、DOライダーシップの時空間分布をキャプチャする。
提案したHIAMに基づいて,将来のODおよびDOライダーを同時に予測する統合Seq2Seqネットワークを開発した。
論文 参考訳(メタデータ) (2021-07-02T10:11:51Z) - Distributed Fine-Grained Traffic Speed Prediction for Large-Scale
Transportation Networks based on Automatic LSTM Customization and Sharing [0.27528170226206433]
DistPreは、大規模交通ネットワークのための分散きめ細かな交通速度予測スキームである。
D DistPreは、大規模な交通ネットワークにおいて、時間効率のLSTMカスタマイズと正確な交通速度予測を提供する。
論文 参考訳(メタデータ) (2020-05-10T21:24:23Z) - Short-Term Traffic Flow Prediction Using Variational LSTM Networks [3.2364716800671873]
本研究では,歴史データに基づく深層学習手法を用いて交通流予測モデルを提案する。
2019年、カルトランス性能測定システム(PeMS)から6ヶ月間収集された歴史的データ。
提案した予測モデルは、短いVLSTM-Eにおける変分長短期記憶である。
論文 参考訳(メタデータ) (2020-02-18T23:22:31Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。